在视觉生成领域,VQGAN作为初始tokenizer长期以来一直发挥着不可或缺的作用,特别是在自回归视觉生成任务中。然而,由于码本大小和利用率的限制,基于VQGAN的自回归生成能力一直被低估。为了突破这一瓶颈,腾讯ARC团队开源了Open-MAGVIT2项目,这是对原始MAGVIT2模型的重新实现,旨在推动自回归视觉生成技术的发展。
MAGVIT2提出了一种强大的视觉tokenizer,通过引入新颖的无查找(LookUpFree)量化技术并将码本大小扩展到$2^{18}$,在图像和视频生成任务中展现出令人瞩目的性能。这一技术在近期最先进的自回归视频生成模型VideoPoet中发挥了关键作用。然而,研究界一直无法获取这个强大的tokenizer。
Open-MAGVIT2项目的目标是遵循MAGVIT-2中tokenizer设计的重要见解,并使用PyTorch重新实现它,以期达到与原始模型最接近的结果。该项目希望通过这一努力,能够在自回归视觉生成领域推动创新和创造力的发展。
最先进的性能: Open-MAGVIT2在8倍下采样时实现了0.39的rFID,超越了VQGAN、MaskGIT以及最近的TiTok、LlamaGen和OmniTokenizer等模型。
灵活的分辨率支持: 项目提供了针对不同分辨率的训练代码和检查点,包括128x128和256x256的ImageNet模型。
高度的码本利用率: 相比其他模型,Open-MAGVIT2实现了100%的码本利用率,充分发挥了大规模码本的潜力。
优秀的重建质量: 在PSNR指标上,Open-MAGVIT2达到了21.53(256x256)和25.78(128x128)的高分,展现出卓越的图像重建能力。
Open-MAGVIT2的核心是其视觉tokenizer,由编码器、无查找量化器(LFQ)和解码器组成。这一设计使得模型能够高效地将图像转换为离散的token序列,并在重建过程中保持高质量。
图1: Open-MAGVIT2 tokenizer的框架图,展示了编码器、LFQ和解码器的组成
在与其他先进模型的对比中,Open-MAGVIT2展现出显著的优势:
方法 | Token类型 | Token数量 | 训练数据 | 码本大小 | rFID | PSNR | 码本利用率 |
---|---|---|---|---|---|---|---|
VQGAN | 2D | 16x16 | 256x256 ImageNet | 1024 | 7.94 | 19.4 | - |
MaskGIT | 2D | 16x16 | 256x256 ImageNet | 1024 | 2.28 | - | - |
LlamaGen | 2D | 16x16 | 256x256 ImageNet | 16384 | 2.19 | 20.79 | 97% |
Open-MAGVIT2 | 2D | 16x16 | 256x256 ImageNet | 262144 | 1.53 | 21.53 | 100% |
表1: 不同tokenizer在256x256 ImageNet 50k验证集上的重建性能对比
特别值得注意的是,Open-MAGVIT2在128x128分辨率上训练并在512x512分辨率上测试时,仍然保持了出色的性能:
方法 | Token类型 | Token数量 | 数据 | rFID |
---|---|---|---|---|
MAGVIT2 | 2D | 16x16 | 128x128 ImageNet | 1.21 |
Open-MAGVIT2 | 2D | 16x16 | 128x128 ImageNet | 1.56 |
表2: 与原始MAGVIT2在128x128分辨率上的性能对比
Open-MAGVIT2不仅在数据指标上表现优异,在实际的图像重建效果上也令 人印象深刻。以下是一些重建结果的可视化:
图2: 在256x256分辨率上训练和测试的Open-MAGVIT2 tokenizer重建效果。(a)为原始图像,(b)为重建图像。
图3: 在128x128分辨率上训练并在512x512分辨率上测试的Open-MAGVIT2 tokenizer重建效果。(a)为原始图像,(b)为重建图像。
Open-MAGVIT2项目目前仍处于早期阶段,团队正在积极开发中。未来的工作计划包括:
这些计划的实现将进一步推动自回归视觉生成技术的发展,为研究者和开发者提供更强大的工具。
Open-MAGVIT2项目为自回归视觉生成领域带来了新的可能性。通过开源实现MAGVIT2的核心技术,该项目不仅展示了卓越的性能,还为整个社区提供了宝贵的研究资源。随着项目的不断发展和完善,我们期待看到更多基于这一技术的创新应用,推动视觉生成技术向更高水平迈进。
对于有兴趣深入了解或参与项目的研究者和开发者,Open-MAGVIT2的GitHub仓库提供了详细的安装指南、训练脚本和评估方法。通过共同努力,我们有望在不久的将来见证自回归视觉生成技术的新突破。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问 题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具, 借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办 公效率,是体制打工人的得力写作神器。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。